← أحدث الأبحاث
🤖 machine learning

ARGUS: Attention-Guided Transformers for Scalable Person Identification Using Wi-Fi Telemetry

تقدم الورقة البحثية Argus، وهو نظام سلبي لتحديد هوية الأشخاص عبر تقنية Wi-Fi يتميز بقابلية التوسع ويحقق دقة عالية في مجموعات البيانات واسعة النطاق من خلال تحويل معلومات حالة القناة (CSI) إلى خرائط إحصائية مدمجة ("statgrams") تتم معالجتها بواسطة بنية Transformer فعالة وموجهة بالانتباه، مما يقلل التكاليف الحسابية بشكل كبير مقارنة بالنماذج المرجعية التي تعتمد على بيانات CSI الخام.

المؤلفون الأصليون: Nayan Sanjay Bhatia, Pranay Kocheta, Yuhan Li, Katia Obraczka

نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Nayan Sanjay Bhatia, Pranay Kocheta, Yuhan Li, Katia Obraczka

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تدخل غرفة حيث الهواء نفسه يطن باستمرار بموجات راديو غير مرئية، ترتد عن الجدران، والأثاث، والأشخاص في الداخل. هذه الموجات هي نفسها التي تحمل إشارة الـ Wi-Fi الخاصة بك، وتصل هاتفك بالإنترنت. لسنوات، عرف العلماء أنه عندما يتحرك شخص ما عبر هذا المجال غير المرئي، فإن جسده يشوه الموجات بشكل طفيف، مما يخلق بصمة فريدة في الإشارة. لقد أثارت هذه الفكرة سباقاً لبناء أنظمة تعريف تعمل بدون كاميرات أو أجهزة قابلة للارتداء، مما يوفر وسيلة للتعرف على الأشخاص ببساطة من خلال كيفية تفاعلهم مع الهواء من حولهم. ومع ذلك، فإن تحويل هذه التشوهات العابرة والمشوشة إلى هوية موثوقة كان تحدياً مستعصياً؛ فالإشارات فوضوية، وتتغير اعتماداً على شكل الغرفة، وغالباً ما تتطلب من الشخص التحرك بطرق محددة ليتم اكتشافه.

قدم فريق من الباحثين الآن نظاماً جديداً يسمى "آرغوس" (Argus) يعالج هذه المشكلات من خلال تغيير الطريقة التي "ينظر" بها الكمبيوتر إلى البيانات. فبدلاً من محاولة معالجة كل نبضة منفردة من معلومات الراديو فور حدوثها، يقوم "آرغوس" أولاً بتكثيف الإشارة الخام إلى خريطة إحصائية مدمجة. فكر في هذه الخريطة كأنها ورقة ملخص تلتقط الشكل الأساسي لسلوك الإشارة على مدار بضع ثوانٍ، مما يجردها من الضجيج والبيانات الزائدة. ثم يستخدم النظام نوعاً متخصصاً من الذكاء الاصطناعي، مصمماً لقراءة هذه الخرائط مثل سلسلة من قطع الصور الصغيرة، للتعرف على الشخص الموجود في الغرفة. اختبر الباحثون هذا النهج على مجموعة بيانات تضم 154 شخصاً مختلفاً، حيث طلبوا من النظام التعرف عليهم بينما كانوا واقفين بلا حراك أو أثناء قيامهم بأنشطة بسيطة وثابتة. كانت النتائج مذهلة: فمن خلال الجمع بين الأدلة من نوافذ زمنية قصيرة متعددة، نجح النظام في تحديد الشخص الصحيح في ما يقرب من 85 بالمائة من الحالات، وكان قادراً على حصر الاحتمالات في أفضل خمسة مرشحين في أكثر من 99 بالمائة من الحالات.

وما يجعل هذا النهج مهماً بشكل خاص ليس فقط دقته، بل كفاءته أيضاً. فالطرق السابقة التي حاولت تحليل موجات الراديو الخام غير المعالجة تطلبت كميات هائلة من القدرة الحوسبية وغالباً ما كانت تفشل كلما زاد وقت المراقبة. وفي المقابل، يحقق "آرغوس" هذه الدقة العالية باستخدام طاقة حوسبية أقل بنحو سبعة وعشرين ضعفاً من أقوى الأنظمة المنافسة. وتأتي هذه الكفاءة من الخطوة الأولية المتمثلة في إنشاء الخريطة الإحصائية، والتي تسمح للكمبيوتر بتجاهل كميات هائلة من البيانات غير ذات الصلة. وقد وجد الباحثون أن النظام لا يحتاج إلى رؤية التاريخ الكامل للإشارة لاتخاذ قرار؛ بل يحتاج فقط إلى التركيز على أجزاء رئيسية من خريطة الملخص التي تحتوي على المعلومات الأكثر فائدة. في الواقع، اكتشفوا أنه بإمكانهم إزالة أكثر من نصف نقاط البيانات من الخريطة دون الإضرار بشكل كبير بقدرة النظام على التعرف على الأشخاص، مما يثبت أن التفاصيل الأكثر أهمية تتركز في مناطق محددة.

كما اختبرت الدراسة مدى فعالية هذا النظام عندما تتغير البيئة، مثل الانتقال من غرفة إلى أخرى أو التبديل بين ترددات Wi-Fi مختلفة. وهنا، كشف النظام عن حدوده الحالية. فبينما كان يعمل بشكل جيد جداً عند التعرف على الأشخاص في نفس الغرفة التي تم التدريب فيها، إلا أنه واجه صعوبة كبيرة عندما طُلب منه التعرف على نفس الأشخاص في غرفة مختلفة تماماً دون أي تدريب مسبق في ذلك الفضاء الجديد. وهذا يشرح أن الطريقة الفريدة التي ترتد بها موجات الراديو عن جدران غرفة معينة هي عامل مهيمن، غالباً ما يطغى على الإشارات الدقيقة التي يخلقها الشخص نفسه. كما لاحظ الباحثون أن النظام ليس مثالياً بعد في التمييز بين شخص معروف وغريب؛ فهو أفضل في إنشاء قائمة قصيرة للمرشحين المحتملين منه في إجراء تحديد نهائي وحاسم بمفرده.

على الرغم من هذه القيود، يوضح هذا العمل مساراً واضحاً نحو التعريف السلبي (Passive Identification). فمن خلال إظهار أن ملخصاً مدمجاً للإشارة هو أكثر قوة من البيانات الخام، قدم الباحثون مخططاً لبناء أنظمة تكون دقيقة وعملية للاستخدام في العالم الحقيقي. لا يتطلب النظام من الناس ارتداء أجهزة خاصة أو القيام بحركات محددة، مما يجعله مرشحاً واعداً للتطبيقات التي تكون فيها الخصوصية والراحة أمراً بالغ الأهمية. ومع ذلك، يشدد الباحثون على أنه قبل نشر مثل هذه التكنولوجيا على نطاق واسع، يجب أن تقترن بضمانات أقوى لضمان عدم إمكانية خداعها من قبل أفراد مجهولين ولضمان احترام موافقة المستخدم. إن مستقبل هذه التكنولوجيا لا يكمكن في جعل النظام أكثر تعقيداً، بل في صقل كيفية تفسيره للغة الهادئة وغير المرئية للهواء من حولنا.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →